[去雾论文]--AAAI2020-FFA-Net：Feature Fusion Attention Network for Single Image Dehazing_sots数据集

摘要：

在本文中，我们提出了一种端到端的特征融合注意力网络(FFA-Net)来直接恢复无雾图像。FFA-Net架构由以下三个主要部分组成:
1)提出了一种新的特征注意(FA)模块，该模块将通道注意与像素注意机制相结合，考虑到不同的信道特征所包含的加权信息完全不同，且不同图像像素上的雾霾分布不均匀。FA对不同的特征和像素的处理是不平等的，这为处理不同类型的信息提供了额外的灵活性，提高了CNNs的表达能力。
2)基本块结构由局部残差学习和特征注意组成，局部残差学习允许较不重要的信息如薄霾区域或低频通过多个局部残差连接被绕过，让主网络架构关注更有效的信息。
3)基于注意的不同层次特征融合(FFA)结构，特征权重自适应地从特征注意(FA)模块学习，赋予重要特征更多的权重。这种结构还可以保留浅层的信息并将其传递到深层。
实验结果表明，我们提出的FFANet在数量和质量上都大大超过了以前最先进的单图像去雾方法，将SOTS室内测试数据集上的最佳PSNR指标从30.23db提升到35.77db。代码已在GitHub上发布。

正文：

Motivation:

作者首先介绍了去雾方法的物理结构，梳理了传统方法DCP和一些DehazeNet等深度学习方法的优缺点。作者认为以往的方法对待特征通道和像素点是一样的权重，而图像中有雾的区域分布不同，因此应该添加像素和通道注意力，自动赋予权重，这样可以提高网络的特表达能力。此外，作者模仿了超分方法RCAN的结构，自己添加了个多层融合模块，并可以自适应赋予不同层的权值。
所以作者的主要贡献如下：
1.引入了双注意力机制：通道注意力机制（CA）和像素注意力机制（PA)
2.FFA（融合模块），并且可以自己学习不同层的权值
网络结构-FFA-Net:

网络由3个Groups组成，每个Groups包含19个block。block里面包含残差模型和双注意力机制，具体如下图，原理比较简单。

实验结果：

1.在SOTS数据集上不同模型均取得了很大进步

2.消融实验